如何使用正则表达式去除 PHP 中的标签？

Question

$string = 'text <span style="color:#f09;">text</span>
<span class="data" data-url="http://www.google.com">google.com</span>
text <span class="data" data-url="http://www.yahoo.com">yahoo.com</span> text.';

我想要做的是从所有带有 data 类的跨度中获取 data-url 。所以，它应该输出：

$string = 'text <span style="color:#f09;">text</span>
http://www.google.com text http://www.yahoo.com text.';

然后我想删除所有剩余的 html 标签。

$string = strip_tags($string);

输出：

$string = 'text text http://www.google.com text http://www.yahoo.com text.';

有人可以告诉我如何做到这一点吗？

Answer 1

如果您的字符串不仅仅包含您显示的 HTML 片段，您应该使用 DOM< /a> 与此 XPath

//span/@data-url

示例：

$dom = new DOMDocument;
$dom->loadHTML($string);
$xp = new DOMXPath($dom);
foreach( $xp->query('//span/@data-url') as $node ) {
    echo $node->nodeValue, PHP_EOL;
}

上面将输出

http://www.google.com
http://www.yahoo.com

当您已经加载了 HTML，您还可以

echo $dom->documentElement->textContent;

在这种情况下返回与 strip_tags($string) 相同的结果：

text text
google.com
text yahoo.com text.

Answer 2

尝试使用 SimpleXML 并按元素进行 foreach - 然后检查 class 属性是否有效并获取 data-url 的

Answer 3

preg_match_all("/data/" data-url=/"([^']*)/i", $string , $urls);

您可以通过这种方式获取所有 URls a=。

您还可以使用 simplexml，如 hsz 提到的

Answer 4

简短的回答是：不。周围有一个可爱的咆哮所以解释为什么用正则表达式解析 html 是一个坏主意。本质上，它可以归结为“html 不是一种常规语言，因此正则表达式不足以解析它”。你需要的是 DOM 感知的东西。

正如 @hsz 所说，如果您知道您的 html 作为 XML 进行验证，那么 SimpleXML 是一个不错的选择。更好的可能是 DOMDocument::loadHTML ，它不需要很好 -形成的html。一旦你的 html 位于 DOMDocument 对象中，你就可以很容易地提取你想要的内容。请在此处查看文档。